之前在构建神经网络时，我们一般是采用这种方式，就像这样：
class Network1(nn.Module): def __init__(self): super(Network1,self).__init__() self.conv1 = nn.Conv2d(in_channels=3, out_channels=6, kernel_size=5) self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5) self.fc1 = nn.Linear(in_features= 12*20*20, out_features=120) self.out = nn.Linear(in_features=120, out_features=10) def forward(self, t): t=self.conv1(t) t=self.conv2(t) t=t.flatten(start_dim=1) t=self.fc1(t) t=self.out(t) return t在__init__()模块中，一系列的层被定义，比如卷积层，全连接层...在forward()方法中，我们对这些层进行操作，使得数据在网络中进行传播。
随着层的增加，以及池化操作，激活函数操作的增加，代码似乎变得很复杂。
在PyTorch中，提供了一种序列容器，叫做nn.Sequential(),它可以按照网络模块被添加的顺序依次执行。
于是上面的代码可以以这样的方式重写：
class Network2(nn.Module): def __init__(self): super(Network2,self).__init__() self.layer1=nn.Sequential(nn.Conv2d(in_channels=3, out_channels=6, kernel_size=5), nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5), nn.Flatten(), nn.Linear(in_features= 12*20*20, out_features=120), nn.Linear(in_features=120, out_features=10) ) def forward(self,t): t=self.layer1(t) return t让我们将一张图片输入到这两个网络中，看看会发生什么？
path="E:\\3-10\\input1.jpg"img=Image.open(path)img=img.resize((28,28))#改变图片尺寸img=np.array(img)#转换为ndarrayimg=torch.tensor(img,dtype=torch.float32)#转换为张量img=img.permute(2,0,1)#改变维度顺序
img=img.unsqueeze(0)#增加批次维度img.size()
torch.manual_seed(10)#随机数种子net1=Network1()torch.manual_seed(10)net2=Network2()net1(img),net2(img)
(tensor([[ 8.6586, 5.6796, -10.6183, -14.5155, -5.1435, -1.2218, -35.0356, 9.9759, -15.0035, -31.1104]], grad_fn=<AddmmBackward0>), tensor([[ 8.6586, 5.6796, -10.6183, -14.5155, -5.1435, -1.2218, -35.0356, 9.9759, -15.0035, -31.1104]], grad_fn=<AddmmBackward0>))注：由于每次初始化网络时，权重是随机的，所以要设置一个随机数种子，使得两个网络以一种固定的权重初始化，以确保两个网络在接受数据输入前完全相同。
结果很显然，两种网络输出了同样的结果！
第一种构建网络的方法让层和操作隔离开来，使得我们在构建网络时不同部分时专注于一点即可，而第二种方法则是直接按照顺序直接构建了网络，看起来似乎更简洁。
当然，以什么方式构建网络完全取决于习惯，这并不会对结果造成任何影响！